【技术实现步骤摘要】
本专利技术涉及脑电波，尤其是涉及一种基于eeg的左右手运动想象识别方法。
技术介绍
1、脑机接口(brain-computer interface,bci)作为一种实现人脑与机器直接交互的技术，无需依赖肌肉系统的辅助，能够直接从大脑向机器输出指令。运动想象(motorimagery,mi)作为bci的一种范式，要求被试想象身体某部位的运动，相应脑区会产生事件相关同步(event-related synchronization,ers)、事件相关去同步(event-related de-synchronization,erd)现象。基于这些现象，可以实现对mi脑电信号的解码和分类。由于mi范式无需外部刺激，具有较高的便携性，在实际bci应用中能够有效避免外部刺激对被试产生的疲劳感。
2、过去曾进行过许多研究，使用机器学习分析使用脑电(electroencephalogram,eeg)的bci系统。yongwook等人提出了通过功率谱分析从脑电图中提取振幅特征的方法，随后采用f检验筛选出关键特征。mondini等人提出了一个基于共空间模式(csp)的框架，随后应用支持向量机(svm)对特征进行分类。arvenah等人提出了一种创新的稀疏公共空间模式(scsp)算法，用于从eeg信号中选择通道，其方法成功提高了分类成功率近10％。gaur等人提出了一种基于多元经验模态分解(memd)滤波的特定脑电信号滤波方法。另外，pan等人专注于确定频段，并研究频段对性能的影响。
3、卷积神经网络(cnn)已在多个领域展现出
4、cnn在处理具有复杂时间关系的eeg信号时可能会遇到困难，尤其是在处理冗长序列时。因此z.huang等人使用循环神经网络(rnn)来学习脑电图数据的时间方面，并在某些情况下显示出优势。为了处理长信号，z.huang也扩展了短时记忆网络(lstm)利用“门”来管理信息流状态，以学习长期脑电信号关系。但是由于其效率较低，这些方法不足以处理eeg数据集中大量的脑电信号。此外，这些方法更依赖于上一隐藏层的状态来捕捉与之前元素的关系，而不是处理整体时间序列数据，而cnn和rnn都不足以辨别脑电全局数据的依赖关系。transformer因其使用注意力机制来连接全局数据关系而闻名。事实证明，注意力机制在eeg分类任务中非常有效，尤其是在存在噪声的情况下。它们能使模型集中在脑电信号最重要的方面，从而提高捕捉长期依赖性的能力。注意力机制也被证明能提高各种任务的性能，包括脑电分类。
技术实现思路
1、本专利技术的目的是提供一种基于eeg的左右手运动想象识别方法，解决了cnn和rnn都不足以辨别脑电全局数据的依赖关系的问题。
2、为实现上述目的，本专利技术提供了一种基于eeg的左右手运动想象识别方法，包括以下方法：
3、s1、swintransformer，利用swin变换器设计的简化模型，应用线性嵌入层，得到“阶段1”、“阶段2”、“阶段3”和“阶段4”，“阶段1”、“阶段2”、“阶段3”和“阶段4”的输出分辨率分别为将h/4×w/4、h/8×w/8、h/16×w/16和h/32×w/32；
4、s2、scconv，利用特征之间的空间和通道冗余来进行cnn压缩，减少冗余计算并促进代表性特征学习；scconv由两个单元组成：空间重构单元sru和信道重构单元cru，将空间重构单元sru和信道重构单元cru以顺序的方式结合起来，取代标准卷积；
5、s3、sc-swintransformerblocks，引入脑电图通道注意eca模块和scconv，利用通道之间的依赖性，使模型可以根据各种条件提取重要特征，sc-swin模块由ln层、eca层、w-msa、sw-msa、sru、cru和gelu层组成。
6、优选的，在步骤s1中，获取“阶段1”、“阶段2”、“阶段3”和“阶段4”的具体方法包括以下步骤：
7、s11、输入的rgb图像被分割成不重叠的分块patch，每个patch被视为一个“token”，其特征被设置为原始像素rgb值之间的串联，使用4×4的patch大小，每个patch的特征维数为4×4×3＝48；
8、s12、在该原始值特征上应用线性嵌入层，将其投影到任意维度(表示为c),patch块的数量为h/4xw/4；
9、transformer块经过计算计入自注意力应用在这些分块向量上，以上patchtokens上应用了swintransformerblocks的bolck；
10、s13、transformerblocks与patchtokens数量一致，为h/4×w/4，与线性嵌入一起被称为“阶段1”；
11、s14、第一个patch合并层连接每个2×2相邻patch的特征，并在4c维连接的特征上应用线性层；将patchtokens的数量减少了2×2＝4的倍数，分辨率的2×降采样的2，并且输出维度设置为2c；应用swintransformerblocks进行特征变换，分辨率保持在h/8×w/8；第一个patchmerging和特征转换块被称为“阶段2”；
12、s15、重复步骤s11-步骤s14两次，分别为“阶段3”和“阶段4”，输出分辨率分别为h/16×w/16和h/32×w/32。
13、优选的，在步骤s2中，空间重构单元sru根据权重分离冗余特征并对其进行重构，从而抑制空间维度上的冗余并增强特征的代表性；信道重构单元cru利用分割-变换-融合策略来减少信道维度的冗余以及计算成本和存储空间。
14、优选的，在步骤s3中，w-msa和sw-msa是多头自注意力模块，分别采用常规和移动窗口配置。
15、优选的，在步骤s3中，eca注意力机制模型由两部分组成：全局平均池化和线性变换；全局平均池化对每个通道的信息进行汇聚，判断该通道中的信息的关键性；线性变换将通道的信息进行缩放和平移，保留关键信息，抑制非关键信息。
16、优选的，在步骤本文档来自技高网...
【技术保护点】
1.一种基于EEG的左右手运动想象识别方法，其特征在于：包括以下方法：
2.根据权利要求1所述的一种基于EEG的左右手运动想象识别方法，其特征在于：在步骤S1中，获取“阶段1”、“阶段2”、“阶段3”和“阶段4”的具体方法包括以下步骤：
3.根据权利要求2所述的一种基于EEG的左右手运动想象识别方法，其特征在于：在步骤S2中，空间重构单元SRU根据权重分离冗余特征并对其进行重构，从而抑制空间维度上的冗余并增强特征的代表性；信道重构单元CRU利用分割-变换-融合策略来减少信道维度的冗余以及计算成本和存储空间。
4.根据权利要求3所述的一种基于EEG的左右手运动想象识别方法，其特征在于：在步骤S3中，W-MSA和SW-MSA是多头自注意力模块，分别采用常规和移动窗口配置。
5.根据权利要求4所述的一种基于EEG的左右手运动想象识别方法，其特征在于：在步骤S3中，ECA注意力机制模型由两部分组成：全局平均池化和线性变换；全局平均池化对每个通道的信息进行汇聚，判断该通道中的信息的关键性；线性变换将通道的信息进行缩放和平移，保留关键信息，抑制
6.根据权利要求5所述的一种基于EEG的左右手运动想象识别方法，其特征在于：在步骤S3中，SRU利用组归一化GN层中的缩放因子来评估不同特征图的信息含量，给定一个中间特征图X∈RN×C×H×W，其中N为批处理轴，C为通道轴，H和W为空间高度和宽度轴。我们首先通过减去均值μ除以标准差σ来标准化输入特征X，如下所示:
7.根据权利要求6所述的一种基于EEG的左右手运动想象识别方法，其特征在于：在步骤S3中，信道重构单元CRU利用了“分割-转换-融合”的策略。
8.根据权利要求7所述的一种基于EEG的左右手运动想象识别方法，其特征在于：分割：对于给定的空间细化特征Xω∈RC×H×W，首先将Xω的通道分成两部分，其中一部分具有αC个通道，另一部分具有(1-α)C个通道，其中0≤α≤1；随后，利用1×1卷积来压缩特征图的通道，将空间细化特征Xω分为上部分Xup和下部分Xlow。
9.根据权利要求8所述的一种基于EEG的左右手运动想象识别方法，其特征在于：转换：Xup被输入到上转换阶段，作为“丰富的特征提取器”，采用GWC和PWC代替标准k×k卷积提取高级代表性信息，Xlow被输入到底部转换阶段，生成具有浅层隐藏细节的特征图，作为丰富特征提取器的补充。
10.根据权利要求9所述的一种基于EEG的左右手运动想象识别方法，其特征在于：融合：在进行转换之后，通过以通道的方式合并上特征和下特征来获得通道精细化特征。
...【技术特征摘要】
1.一种基于eeg的左右手运动想象识别方法，其特征在于：包括以下方法：
2.根据权利要求1所述的一种基于eeg的左右手运动想象识别方法，其特征在于：在步骤s1中，获取“阶段1”、“阶段2”、“阶段3”和“阶段4”的具体方法包括以下步骤：
3.根据权利要求2所述的一种基于eeg的左右手运动想象识别方法，其特征在于：在步骤s2中，空间重构单元sru根据权重分离冗余特征并对其进行重构，从而抑制空间维度上的冗余并增强特征的代表性；信道重构单元cru利用分割-变换-融合策略来减少信道维度的冗余以及计算成本和存储空间。
4.根据权利要求3所述的一种基于eeg的左右手运动想象识别方法，其特征在于：在步骤s3中，w-msa和sw-msa是多头自注意力模块，分别采用常规和移动窗口配置。
5.根据权利要求4所述的一种基于eeg的左右手运动想象识别方法，其特征在于：在步骤s3中，eca注意力机制模型由两部分组成：全局平均池化和线性变换；全局平均池化对每个通道的信息进行汇聚，判断该通道中的信息的关键性；线性变换将通道的信息进行缩放和平移，保留关键信息，抑制非关键信息。
6.根据权利要求5所述的一种基于eeg的左右手运动想象识别方法，其特征在于：在步骤s3中，sru利用组归一化gn层中的缩放...
【专利技术属性】
技术研发人员：奚洋，石鹏，孟天宇，王文静，李奇，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。